推荐系统论文阅读(五十一)-受样本影响的FM模型

论文:

论文题目:《An Input-aware Factorization Machine for Sparse Prediction》

论文地址:https://www.ijcai.org/proceedings/2019/0203.pdf

有很多工作是对FM进行改进,之前有过AFM,FFM以及各自对FM魔改对工作,但是没有工作对样本感知的FM进行探讨,今天我们就来看一下这篇关于样本感知的FM。

一 、背景

1.1 FM介绍

FM(Factorization Machine),因子分解机,在广告和推荐领域都发挥着至关重要的作用,它可以显式的构建二阶交叉的特征,FM的公式如下:

可以看到,FM通过内积的方式计算每个feature pair的weight,通过优化,fm可以改写为:

据我所知,在某短视频公司,推荐跟广告业务线的排序模型都是lr+fm+dnn的类似结构,足见fm在整个推荐/广告领域的重要性。

1.2 FM的缺陷

在FM的公式里,我们可以看到,不同特征pair之间计算weight的时候使用的是同一个v,也就是无论样本如何变化,两个特征之间计算内积作为weight的v都是同一个,这种方式很简单有效,但是我们知道简单有效的东西总是伴随着一些缺陷。

FM的一个缺陷在于没办法针对每一条样本来构建独有的特征权值,举个论文中的例子来看,如果有一条样本长这样:<年轻,女性,学生,喜欢粉色>,target item是连衣裙,那么这一条样本都对整个target item具备比较大的作用,比如说女性整个特征,跟连衣裙交叉就应该获得比较大的权值。我们接着来看另一条样本:<年轻,女性,学生,喜欢蓝色>,target item是笔记本,这个时候女性这个特征对于笔记本这个item就不应该赋予很大的权值。

通过上面的例子,我想你应该大概知道了,每一条样本中的每个特征都应该具备自己对于target item所具备的权值,也就是通过不同特征组成的样本对于FM中两个向量计算内积的weight不应该相同。

所以IFM(Input-aware Factorization Machines)对于FM进行了改进,也就是让FM变成了样本感知的FM模型

二、IFM模型


我们先看一下IFM的公式:

可以看到在计算内积和一阶lr的时候多了个x这个东西,这就意味着每个样本的v都是自己独有的,尽管两条样本都具备相同的特征,比如之前说的女性这个特征,那么他们具备各自的权值,并且用这个权值的作用在原始的embedding v上面,具体而言是:

其中m_{x,i} 就是样本x在特征i上的权值,这下我们就明白了,整个IFM都是围绕着计算这个m去的。

Factor Estimating Network

我们观察上面的网络,在结合下面的计算公式,相信你很快就能理解了:

其中Vx,就是把所有的非零的特征的embedding concat出来,然后送DNN,在送softmax就得到了最后的m,注意,这里用h(非零特征的总数)来进行scale,也就是起到了放大的作用,这里公式应该写错了,上面应该是i不是d。

三、实验结果



我对于该论文没有啥特别觉得经验的地方,自我感觉IFM是在FM的修修补补,与其说是样本感知的FM模型,不如说是特征组合方式的感知FM模型,不同的特征组合会导致不同的m,其实可以在这里用attention来做?

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,752评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,100评论 3 387
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,244评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,099评论 1 286
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,210评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,307评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,346评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,133评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,546评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,849评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,019评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,702评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,331评论 3 319
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,030评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,260评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,871评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,898评论 2 351

推荐阅读更多精彩内容